Peramalan Harga Saham menggunakan Support Vector Regression dan Algoritma Particle Swarm Optimization

Anggoro, Bryan Laurentio (2023) Peramalan Harga Saham menggunakan Support Vector Regression dan Algoritma Particle Swarm Optimization. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05211940000007-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (3MB) | Request a copy

Abstract

Saham merupakan salah satu instrumen investasi yang memilki pergerakan harga yang fluktuaktif seiring dengan berjalannya waktu transaksi penjualan dan pembelian yang dilakukan oleh para pelaku pasar modal. Harga saham dapat dimanfaatkan oleh para pelaku pasar modal untuk mendapatkan keuntungan dengan melakukan pembelian dan penjualan saham pada harga dan waktu yang tepat. Dalam melakukan pembelian saham, para pelaku pasar modal akan melihat terlebih dahulu sektor yang diperkirakan akan memiliki prospek yang baik. Pada saat ini, sektor bank digital menjadi perhatian para pelaku pasar modal karena merupakan terobosan baru dan memberikan layanan yang lebih beragam dibandingkan bank konvensional. Dalam Tugas Akhir ini dibuat sebuah peramalan harga saham PT Bank Neo Commerce Tbk menggunakan model peramalan berbasis Support Vector Regression (SVR). Dari keseluruhan data saham yang digunakan dalam rentang waktu tahun 2017 sampai dengan 2022, 90% data pertama digunakan untuk pembangunan (pelatihan) model peramalan dan 10% sisanya digunakan untuk pengujian model. Model yang dibangun divalidasi menggunakan 4-fold cross validation. Model peramalan berbasis SVR diuji coba dengan menggunakan kernel “rbf” dan “poly” serta berbagai variasi nilai window size. Selain itu, pengaturan nilai kombinasi parameter C dan epsilon dalam SVR dioptimasi menggunakan algoritme Particle Swarm Optimization (PSO) untuk memperoleh hasil peramalan yang baik dan waktu komputasi yang relatif cepat. Hasil impelementasi model peramalan menggunakan python menunjukkan bahwa model peramalan berbasis SVR dengan kernel “rbf” menghasilkan nilai Mean Absolute Percentage Error (MAPE) dan waktu komputasi yang lebih rendah dibanding dengan penggunaan kernel “poly”, baik untuk pelatihan maupun pengujian model. Hasil uji coba pengaturan nilai kombinasi parameter C dan epsilon dalam SVR menunjukkan bahwa penggunaan PSO dalam SVR menghasilkan waktu komputasi yang jauh lebih cepat dibandingkan dengan menggunakkan pengaturan berbasis exhaustive search, baik untuk pelatihan dan pengujian model. Tetapi, waktu komputasi yang diperlukan oleh algoritme gabungan SVR dan PSO jauh lebih rendah dibandingkan waktu yang diperlukan oleh algoritme SVR dan exhaustive search.
==============================================================================================================================
Stocks are one of the investment instruments that have fluctuating price movements due to buying and selling transactions by investors. Stock prices can be used by investors to gain profits by buying and selling stocks at the right price and time. In buying stocks, investors will look at the sector that is expected to have good prospects. Right now, the digital banking sector is of concern to investors because it is a breakthrough and provides many services compared to conventional banks. Stock price forecasting is needed by investors as a tool that can be used in making a decision when investors want to buy or sell stock in the digital banking sector. In this Final Project, stock price forecasting for PT Bank Neo Commerce Tbk is made using a forecasting model that is Support Vector Regression (SVR). Of all stock data used in the period from 2017 to 2022, 90% of the first data is used for the training model and the remaining 10% data is used for the test model. The built model is validated using 4-fold cross validation. The SVR forecasting model was tested using the “rbf” and “poly” kernels and various window size. In addition, the combined values for parameters C and epsilon in SVR are optimized using Particle Swarm Optimization (PSO) algorithm to produce good forecasting results and relatively fast computation time. The results of implementing the forecasting model using python show that the SVR forecasting model with the “rbf” kernel produces a lower Mean Absolute Percentage Error (MAPE) and computation time compared to using the “poly” kernel, both for training and test model. The results of testing the combination of parameters C and epsilon in SVR show that using PSO in SVR results in a much faster computation time compared to using SVR and exhaustive search. However, the computation time required by the combined SVR and PSO algorithms is much lower than the computation time by the SVR and exhaustive search.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Harga Saham, Peramalan, Support Vector Regression, Particle Swarm Optimization
Subjects:	Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Bryan Laurentio Anggoro
Date Deposited:	25 Jan 2023 06:01
Last Modified:	25 Jan 2023 06:01
URI:	http://repository.its.ac.id/id/eprint/95518

Actions (login required)

View Item